根據(jù)騰訊互娛發(fā)布的《2017 Q3 AI 行業(yè)全景熱度觀察》，2017年第三季度，全球AI公司融資總額高達(dá) 77.42 億美元，僅比前兩個季度之和低10億美元，而與2012年同期相比則增長了70余倍。

雖然第四季度還沒結(jié)束，但10月底曠視科技4.6億美元的C輪融資額已經(jīng)刷新了此前由商湯科技所保持的4.1 億美元的融資記錄，也成為全球企業(yè)迄今為止所獲得的最大一筆融資。不難看出，火遍整個2017年的，到了年末依舊是勢頭不減，甚至很可能再次打破之前的各項(xiàng)融資記錄。

回顧過去，從1956年的達(dá)特茅斯會議到今天，已經(jīng)走過了60多年的歷史。在這60多年中，人工智能經(jīng)歷過高峰，也曾跌落到低谷，但從來沒有哪一次像今天這樣，成為街頭巷尾無人不談的話題。雖然這一定程度上得益于移動互聯(lián)網(wǎng)時代信息傳播效率的飛速提升使得熱點(diǎn)話題的影響力得以成千上萬倍的擴(kuò)大。但另一個更重要的原因是，這一次的人工智能復(fù)興與以往的最大區(qū)別在于，它讓人們真正看到了 AI 技術(shù)改變?nèi)祟愇磥砩罘绞降目赡苄浴?/p>

用李開復(fù)的話說：“今天的人工智能是‘有用’的人工智能……這一次人工智能復(fù)興的最大特點(diǎn)，就是 AI 在多個相關(guān)領(lǐng)域表現(xiàn)出可以被普通人認(rèn)可的性能或效率，并因此被成熟的商業(yè)模式接受，開始在產(chǎn)業(yè)界發(fā)揮出真正的價值......我們說‘人工智能來了’，其實(shí)是說，人工智能或深度學(xué)習(xí)真的可以解決實(shí)際問題了。”

可以和李開復(fù)這段話相互映證的是，在上周阿里云主辦的2017云棲大會·北京峰會上，阿里巴巴明確表示人工智能不應(yīng)僅僅是“概念上的 AI”，更是“產(chǎn)業(yè)上的 AI”，同時宣布了阿里云人工智能技術(shù)在金融、零售、航空、交通等多個行業(yè)的實(shí)踐成果。

越來越多的跡象表明，今天的人工智能，真的和以往大不一樣。

在過去這一年中，無論是互聯(lián)網(wǎng)公司還是傳統(tǒng)企業(yè)，無論是在公司內(nèi)部宣講戰(zhàn)略還是在外部會議上發(fā)表報(bào)告，都是三句話不離 AI，唯恐自己被拋棄于時代潮流之后。但與之前的幾次技術(shù)浪潮相比，人工智能對人才和資源的要求顯然要高出不少，不是誰都能玩得轉(zhuǎn)的。

那么，對于大多數(shù)公司來說，進(jìn)入人工智能領(lǐng)域有哪些難以跨越的門檻?企業(yè)如何利用 AI 技術(shù)助力現(xiàn)有業(yè)務(wù)更上一層樓?還有，在未來的幾年里，人工智能在哪些產(chǎn)業(yè)領(lǐng)域可以最快得到應(yīng)用和普及?

近日，IBM 全球杰出工程師、IBM 研究院認(rèn)知系統(tǒng)全球研究負(fù)責(zé)人林詠華女士接受了“AI時代的移動技術(shù)革新”大會主辦方的采訪(大會將于2018年1月5日在北京國際會議中心舉行，林詠華女士是受邀演講嘉賓之一)，聊了聊她對上述問題的看法。以下內(nèi)容根據(jù)采訪記錄整理而成。

如何看待當(dāng)下的人工智能熱潮?有多少是理性驅(qū)使，又有多少是人云亦云?

人工智能目前無論在企業(yè)還是投資界都是被火爆地追逐著。說實(shí)在話，當(dāng)IBM在 2011年構(gòu)建出 Watson，并首次在智力競賽中打敗最優(yōu)秀的人類選手時，能預(yù)見人工智能對未來業(yè)界發(fā)展的重要性，但沒有想象到這種人人談人工智能的火爆局面。

縱觀整個信息技術(shù)在過去10年的發(fā)展，無論是10年前移動通信的發(fā)展熱潮，還是5年前云計(jì)算的風(fēng)起云涌，都沒有今天人工智能被關(guān)注的廣泛性和火爆性。原因是什么呢?是今天人工智能的可實(shí)驗(yàn)性遠(yuǎn)遠(yuǎn)高于之前的信息科技。

這個“可實(shí)驗(yàn)性”是指一個開發(fā)者、一個大學(xué)生，甚至?xí)幊痰闹袑W(xué)生都可以進(jìn)行人工智能實(shí)驗(yàn)性的嘗試。它來源于整個開源社區(qū)在代碼和數(shù)據(jù)上的整體貢獻(xiàn), 得益于整個信息科技領(lǐng)域?qū)?開源文化的推動，也得益于幾個大的人工智能會議對被錄用文章的數(shù)據(jù)和代碼的公開性要求。

在過去幾年，圍繞深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等算法的代碼以及公開數(shù)據(jù)集層出不窮。一個開發(fā)者，只需要懂 Python，就可以在一天之內(nèi)構(gòu)建起一個開發(fā)環(huán)境，并把開源的代碼跑起來。利用開源的數(shù)據(jù)集，就可以重現(xiàn)別人的結(jié)果。

一個新的人工智能研究方向出現(xiàn)，就伴隨著一些優(yōu)秀的數(shù)據(jù)集公開。例如，當(dāng)年李飛飛主導(dǎo)的 ImageNet 為今天的圖象識別奠定了最大的數(shù)據(jù)集基礎(chǔ)，今年12月 MIT IBM Watson Lab 為了推動視頻中的動作識別，共同推出的百萬量級的視頻動作數(shù)據(jù)集。所有的這些貢獻(xiàn)，都是為了降低大家實(shí)驗(yàn)的難度，推動業(yè)界更快速地解決人工智能中的難題。在這種人人都可以嘗試的氛圍下，既推高了大家對這個領(lǐng)域的關(guān)注和興趣，必然也帶來了人云亦云的火爆。

但是，這是否就代表了今天在學(xué)術(shù)界解決了的問題，相關(guān)的技術(shù)已經(jīng)可以大量地使用到工業(yè)界呢?我覺得大家需要看到工業(yè)界和學(xué)術(shù)界之間的差距。之前我也看到一些人工智能領(lǐng)域的專家進(jìn)行了許多分析，我這里就討論兩點(diǎn)：

● 第一是數(shù)據(jù)的差異

數(shù)據(jù)是人工智能必不可少的用于訓(xùn)練機(jī)器的輸入。而今天能在公開途徑獲得的數(shù)據(jù)集絕大多數(shù)都是非商業(yè)用途數(shù)據(jù)，大多數(shù)都是從互聯(lián)網(wǎng)上積累的數(shù)據(jù)。真正用于工業(yè)場景的高價值數(shù)據(jù)是難以放到公開數(shù)據(jù)集中，也難以讓千千萬萬研究者進(jìn)行算法研究的。

IBM 研究院在醫(yī)療、汽車駕駛、生產(chǎn)制造等重要行業(yè)領(lǐng)域與相關(guān)企業(yè)進(jìn)行人工智能合作研究。在這些行業(yè)和企業(yè)中，我們遇到了大量公開數(shù)據(jù)集所沒有的數(shù)據(jù)分布。在面對行業(yè)生產(chǎn)部署的嚴(yán)苛要求時，我們一些已有的研究是不適用的，許多在頂級會議中號稱的最佳結(jié)果也是不適用的。因此，這里需要我們腳踏實(shí)地，深入工業(yè)行業(yè)進(jìn)行人工智能的研究和開發(fā)。

● 第二是人工智能系統(tǒng)本身的成本

把人工智能用到工業(yè)界，我們需要認(rèn)真審視它附加到現(xiàn)有產(chǎn)品上的成本開銷。以視頻監(jiān)控為例，在視頻監(jiān)控中使用人工智能是一個很熱的話題。今天，使用人臉識別、人或車輛的自動捕捉進(jìn)行初步的視頻分析已經(jīng)開始廣泛使用在城市、公共安全等領(lǐng)域。

其實(shí)基于計(jì)算機(jī)視覺的人工智能可以做得更多，它可以檢測和識別各種物體(而不僅僅是人或車輛)，檢測人的各種動作等等。但基于深度學(xué)習(xí)的目標(biāo)檢測算法往往需要大量的GPU計(jì)算資源。基于今年最新的GPU硬件能力，一塊高性能的GPU也就只能支持3~4路視頻的復(fù)雜目標(biāo)檢測(單個模型)。平攤到每路視頻，就要大約1000~2000美金的硬件成本。相比起目前4K攝像頭的成本，將近是10倍的成本差異。

如果我們進(jìn)一步考慮動作檢測，使用光流計(jì)算或3D深度學(xué)習(xí)或者更復(fù)雜的算法，這個成本的疊加更加難以接受。所以，在人工智能向前行進(jìn)時，我們需要更多的研究和創(chuàng)新，去解決全系統(tǒng)的優(yōu)化問題，而絕對不能只停留在單一的功能或精準(zhǔn)度的層面。

對于在 AI 領(lǐng)域技術(shù)基礎(chǔ)比較薄弱的企業(yè)，如何才能享受到 AI 帶來的紅利?

為什么今天的企業(yè)都爭先恐后的想要進(jìn)入 AI 領(lǐng)域?他們是希望成為像 IBM、Google 這樣的 AI 公司，每年到 AAAI 或 NIPS 發(fā)幾篇文章嗎?答案當(dāng)然不是。企業(yè)想進(jìn)入 AI 領(lǐng)域，還是希望在自己的業(yè)務(wù)領(lǐng)域能獲得新的增長點(diǎn)，希望借用 AI 的力量能打造出新的產(chǎn)品贏得更多市場份額，希望通過 AI 能把已有的產(chǎn)品提升一個水平從而更快地?fù)魯∈袌錾系?競爭對手。所以，對于這些希望利用 AI 技術(shù)的企業(yè)而言有兩點(diǎn)是重要的。第一，找準(zhǔn) AI 技術(shù)在自身業(yè)務(wù)領(lǐng)域的定位，也就是未來產(chǎn)品的戰(zhàn)略思考。這一點(diǎn)是無論如何不能由別的公司代替你去思考的，因?yàn)橹挥衅髽I(yè)自己最了解自身的業(yè)務(wù)領(lǐng)域、發(fā)展機(jī)遇和企業(yè)現(xiàn)狀。第二，Time-to Market，時間是十分寶貴的。在目前信息平坦的年代，市場機(jī)遇的賽跑就是時間的賽跑。

所以，對于各個行業(yè)的企業(yè)，如果希望享受到人工智能帶來的紅利，需要自身花更多時間去思考和策劃上面提到的第一點(diǎn)問題(產(chǎn)品戰(zhàn)略)，而在第二點(diǎn)(Time-to Market)上，需要懂得借助外力。今天，在與時間賽跑的過程中，企業(yè)面臨的最大挑戰(zhàn)是人才和數(shù)據(jù)的問題。如何“借助外力”，往往也是企業(yè)猶豫的。如果像傳統(tǒng)的購買企業(yè)服務(wù)模式來解決人才問題，對于一些行業(yè)會行不通。對于許多行業(yè)，他們的數(shù)據(jù)是具有高度保密的性質(zhì)，不能把這些數(shù)據(jù)都交由第三方公司進(jìn)行數(shù)據(jù)訓(xùn)練和分析。此外，企業(yè)的生產(chǎn)環(huán)境所針對的數(shù)據(jù)類型也會隨著時間有所改變，例如零售業(yè)中貨架的商品品類，生產(chǎn)線上產(chǎn)品的批次改變等。因此，哪怕企業(yè)交由第三方公司開發(fā)了一個機(jī)器學(xué)習(xí)的模型，是否之后所有在生產(chǎn)環(huán)境中的變化都要依賴第三方公司進(jìn)行調(diào)整呢?所以，在引入 AI 技術(shù)的過程中，企業(yè)往往會在“人才培養(yǎng)時間過長”和“把控產(chǎn)品”之間猶豫。正因?yàn)榭吹竭@種現(xiàn)狀，IBM 在為企業(yè)市場打造的 AI 平臺中引入了 “AI for AI”的概念。我們?yōu)槠髽I(yè)打造的 AI 開發(fā)平臺不僅僅是一套工具或方法論，而是真正把一個“AI大腦”潛入到 AI 開發(fā)平臺。我們在“AI大腦”中率先引入了多種深度學(xué)習(xí)的技術(shù)，如遷移學(xué)習(xí)、自動化機(jī)器學(xué)習(xí)(auto machine learning)、數(shù)據(jù)增強(qiáng)(data augmentation)等。一方面我們把 IBM 研究院多年的機(jī)器學(xué)習(xí)研究成果內(nèi)嵌到系統(tǒng)中，讓 AI 開發(fā)平臺更像一個專家系統(tǒng);另一方面，我們通過AI for AI的技術(shù)，讓這樣的平臺可以針對企業(yè)自己的數(shù)據(jù)進(jìn)行自動化學(xué)習(xí)和優(yōu)化。通過這些技術(shù)的內(nèi)嵌，我們希望企業(yè)開發(fā)團(tuán)隊(duì)在沒有深度學(xué)習(xí)的技術(shù)背景下，也能很容易地獲得好的機(jī)器學(xué)習(xí)準(zhǔn)確率。通過“AI for AI”的開發(fā)平臺，我們希望幫助企業(yè)自身擁有 AI 的大腦，應(yīng)用開發(fā)團(tuán)隊(duì)很快就能上手，使用企業(yè)自己的數(shù)據(jù)去進(jìn)行機(jī)器學(xué)習(xí)以及AI 產(chǎn)品的研發(fā)。

在人才的問題之后，另一個困擾企業(yè)的問題是數(shù)據(jù)的問題。過去幾年，深度學(xué)習(xí)的成功是基于海量的互聯(lián)網(wǎng)開源數(shù)據(jù)。但這些數(shù)據(jù)都是互聯(lián)網(wǎng)的數(shù)據(jù)，和企業(yè)希望解決的問題(如特定病種的醫(yī)療影像、產(chǎn)品質(zhì)量的影像等等)沒有直接的關(guān)系。所以，當(dāng)需要使用 AI 技術(shù)來賦能自己的業(yè)務(wù)領(lǐng)域時，企業(yè)需要自己準(zhǔn)備業(yè)務(wù)場景的數(shù)據(jù)集，也需要由具備專業(yè)領(lǐng)域知識的人員來標(biāo)注數(shù)據(jù)集。因此，準(zhǔn)備數(shù)據(jù)這個過程本身就極耗時間和人力。另外，企業(yè)往往會面臨數(shù)據(jù)不足的問題，尤其是需要高度關(guān)注的數(shù)據(jù)類型。例如，在醫(yī)療影像中，往往有著各種癥狀的數(shù)據(jù)比健康人群的數(shù)據(jù)更為重要;在生產(chǎn)制造中，有著各種瑕疵問題的數(shù)據(jù)比質(zhì)量正常的產(chǎn)品數(shù)據(jù)更需要關(guān)注;在汽車駕駛中，在各種惡劣天氣路況下的數(shù)據(jù)比正常天氣和光照的時候獲得的數(shù)據(jù)更需要我們注意。但這些數(shù)據(jù)往往是小概率情況下的數(shù)據(jù)。因此，如何針對這些數(shù)量稀少卻又十分重要的數(shù)據(jù)進(jìn)行機(jī)器學(xué)習(xí)呢?不解決好這個問題，就難以把 AI 真正用到工業(yè)界場景。意識到這個問題的重要性，IBM 研究院確立了一系列針對小數(shù)據(jù)(Small Dataset)的研究，基于遷移學(xué)習(xí)、數(shù)據(jù)增強(qiáng)等課題進(jìn)行深入研發(fā)。這些技術(shù)也應(yīng)用到了 IBM 的 Watson 及企業(yè) AI 開發(fā)平臺(PowerAI)之上，直接幫助企業(yè)解決數(shù)據(jù)的問題。

未來幾年內(nèi)，哪些 AI 應(yīng)用可以大規(guī)模投入市場?哪些還需要更長時間的研究及驗(yàn)證?

由于業(yè)界的你追我趕，AI 儼然是在一個高速跑道上發(fā)展。大家對短期的定義是1~2年，中長期是3~5年。一個新的 AI 技術(shù)是否可以大規(guī)模投入市場，應(yīng)該看這個市場對該技術(shù)的差錯容忍程度的高或低，例如，該技術(shù)能有 80% 的準(zhǔn)確度就可以被接受，還是需要有 95%，甚至 99% 的準(zhǔn)確度才可以?

記得在 2015 年，一個玩具廠商推出了 CogniToys(一個能跟孩子對話的綠色小恐龍)，當(dāng)年還被評為“2015 年度最佳玩具”。其實(shí)當(dāng)年 CogniToys 的對話能力比今天國內(nèi)好些公司推出的智能音箱要差好些。但因?yàn)?CogniToys 只是一個玩具產(chǎn)品，它不需要有很高的準(zhǔn)確度。跟孩子的對話對一句錯一句也沒有多大關(guān)系。所以在 2015 年，哪怕機(jī)器對話技術(shù)還不成熟，也不能阻擋 CogniToys 在亞馬遜上熱賣。但是，同樣的對話技術(shù)，如果我們用于要求嚴(yán)謹(jǐn)?shù)尼t(yī)療行業(yè)，或銀行理財(cái)行業(yè)，就需要有更長的技術(shù)成熟期。

又例如，有一些技術(shù)今天可能只做到 90% 的準(zhǔn)確率，如果我們希望在未來 1~2 年能廣泛使用，就需要從應(yīng)用場景上進(jìn)行折中。折中的手法可以是多樣的，例如加入人為判定。我們在 top1 的準(zhǔn)確率不夠的情形下，可以提供給用戶 top5 的識別結(jié)果，讓用戶再從 top5 人為判斷。通過這樣的手法，可以讓某些 AI 技術(shù)加快在一些領(lǐng)域的使用。當(dāng)然，可以使用這樣折中手法的應(yīng)用領(lǐng)域，必須不是工業(yè)控制領(lǐng)域的。對于需要實(shí)時控制的系統(tǒng)領(lǐng)域，包括無人駕駛、自動化控制等，都必須有完全高準(zhǔn)確率的要求。而這種對高準(zhǔn)確率有完全硬性要求的應(yīng)用場景，必然需要更長時間的研究和驗(yàn)證。

哪怕同一個技術(shù)，同一個工業(yè)領(lǐng)域，放在不同的地區(qū)使用，也會有時間的先后問題。例如，使用 AI 技術(shù)進(jìn)行無人駕駛，目前多個廠商都先挑選諸如特定場區(qū)工程車輛、園區(qū)班車等，因?yàn)槁窙r相對單一和簡單。我們最近到印度參展，看到印度的汽車行業(yè)，就連輔助駕駛的研發(fā)，也都才剛剛開始。重要原因就是該地區(qū)的路況復(fù)雜度遠(yuǎn)高于美國和中國。所以，無人駕駛?cè)绻谟《嚷涞兀蛟S需要 3~5 年的時間。